Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Teorı́a (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
1. Para llegar a la expresión del detector de Harris necesitamos aproximar el valor de la imagen en los
pı́xeles de una vecindad (intensidades trasladas). Qué se usa para este fin.
a) grande y positivo
b) cercano a cero
c) valor absoluto grande
d) negativo
4. imshow(atan2(conv2(im,[1,-1]’,’same’),conv2(im,[1,-1],’same’)),[]).
a) 1 0 0 0 1 1 1 1
b) 5/3
c) 241
d) 2 -23 -19 -5 1 8 13 10
a) Otsu
b) Snake
c) Watershed
d) Tenengrad
a) im - erode(dilate(im))
b) im - dilate(erode(im))
c) erode(dilate(im)) - im
d) dilate(erode(im)) - im
11. En un problema de segmentación sabemos que tenemos 3 clases bien diferenciadas, cuál de estos algo-
ritmos elegiremos
a) Niblack
b) Otsu
c) Tenengrad
d) k-means
12. Cuáles son las distancias L2 , L1 y L∞ entre a = [3, 2, −1] y b = [0, −2, −1].
√
a) 13, 5, 3
b) 5, 7, 4
c) 25, 5, 3
d) 7, 5, 0
a) Los false positives están fuera de la diagonal y los false negative en la diagonal.
b) Los false positives y los false negative están fuera de la diagonal.
c) La suma de true positives, true negative, false positives, false negative es el número total de mues-
tras.
d) Los true positives y los true negative están sobre la diagonal.
14. La distancia de Mahalanobis
a) adapta la escala de la medida a la geometrı́a de los datos obtenida a partir de la correlación de estos.
b) es isotrópica y por tanto no varı́a con la dirección.
c) es una extensión de la distancia euclı́dea para el caso de más de tres dimensiones.
d) permite valores negativos para puntos muy alejados
a) 1-fold cross-validation
b) 2-fold cross-validation
c) 10-fold cross-validation
d) N-fold cross-validation
16. SVM como algoritmo de clasificación lo podemos considerar como un algoritmo de aprendizaje
a) reforzado.
b) profundo.
c) supervisado.
d) no supervisado.
18. En un par estéreo, los posibles puntos de la segunda imagen que geométricamente pueden tener corres-
pondencia con un punto determinado de la primera imagen
19. En cuál de estas técnicas de reconstrucción 3D no cambiamos el punto de vista de la cámara respecto
del objeto.
a) photometric stereo
b) multiview stereo
c) volum intersection (carving)
d) shape from movement
a) σ(x) = ωx + b
1
b) σ(x) = 1+e−x
c) σ(x) = tanh(x)
d) σ(x) = máx(0, x)
21. En una red feedforward tı́pica (AlexNet, VGG-16, ...) las capas convolucionales
22. Cuál de estas Loss functions utilizaremos para clasificar en una red neuronal
a) L2
b) Logistic
c) L1
d) Huber
24. Cuál de estas capas/proceso permite tener una salida que emula una probabilidad.
a) Dropout
b) Training loss minimization
c) Softmax
d) Max pooling
Apellidos: , Nombre:
NIU: , DNI: Prueba 2 (2019) A
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
a a a a a a a a a a a a a a a a a a a a a a a a a
b b b b b b b b b b b b b b b b b b b b b b b b b B:
c c c c c c c c c c c c c c c c c c c c c c c c c M:
d d d d d d d d d d d d d d d d d d d d d d d d d ∅:
102784 [20380] Visió per Computador Prueba 2 (2019) A
Apellidos: , Nombre:
NIU: , DNI:
Problemas (10p)
1. (3p) Implementa un detector de cı́rculos para un radio fijo basado en la transformada de Hough para
cı́rculos.
2. (2p) Implementa un algoritmo de segmentación global (similar a Otsu) pero basado en un k-means (2-
means) uno de los centroides para los pı́xeles claros y otro para los oscuros.
3. (2p) En un OCR de dı́gitos manuscritos tenemos representado cada uno de estos dı́gitos con un vector
de caracterı́sticas de 16384 valores. Queremos hacernos una idea de si el vector que hemos elegido será
capaz de discernir y separar las diferentes clases y para ello queremos representar toda la base de datos
de dı́gitos en un espacio de 3 dimensiones para poder visualizarlo. Qué montaremos y cómo lo podemos
implementar.
4. (3p) Queremos montar una app que sea capaz de distinguir pokemons capturados con la cámara del
móvil. Hemos decidido usar un Bag of Words. Cómo lo implementaremos. Qué ventajas tendremos
respecto a otras propuestas.